DOC-Forest: un algoritmo per stabilire lo stato di coscienza

Ad oggi le neuroscienze non hanno gli strumenti adeguati per poter stabilire lo stato di coscienza in un paziente e di conseguenza quante siano le probabilità che si risvegli dal coma. Non è ancora stato stabilito con criteri oggettivi cosa sia la “coscienza”. L’esame per misurarla consiste in un semplice esame al capezzale: il paziente esegue i comandi? Sta gesticolando o verbalizzando intenzionalmente?

In molti casi, la posta in gioco con la diagnosi è molto alta. Il paziente si trova in uno stato di minima coscienza, dove c’è una certa probabilità di guarigione, o il paziente è colpito da sindrome di veglia aresponsiva, in cui le azioni sono ritenute casuali e prive di intenzionalità e in cui c’è ben poca speranza di recupero? Purtroppo, in ben il 40 per cento dei casi la diagnosi è problematica.

Ma sembra che l’AI sia venuta in soccorso alle neuroscienze

In un recente studio pubblicato su Brain, un’équipe di scienziati della France Cognitive Neuroimaging Unit alla Université Paris Sud (e altri istituti di ricerca), ha infatti sviluppato un algoritmo di apprendimento automatico, che funziona quindi con una rete neurale. La procedura è in grado di calcolare le probabilità che un paziente in coma si risvegli, analizzandone i tracciati degli encefalogrammi (Eeg). Riuscendo a distinguere la sindrome di veglia aresponsiva dallo stato di minima coscienza.

Nell’articolo divulgativo apparso su Scientific American, Sam Rose, l’autore, ha evidenziato quanto sia difficile definire lo stato di coscienza di un paziente in una condizione ai limiti, in cui la persona non è lucida ma non ancora in coma. Per questo tipo di diagnosi i medici possono adoperare la Scala di Glasgow, la quale fornisce un metodo pratico per la valutazione dei danni subiti a livello cerebrale in risposta a determinati stimoli.

Proposta negli anni settanta da un gruppo di neurochirurghi dell’Università di Glasgow, è stata inizialmente applicata in casi di trauma cranico, per poi essere estesa anche a pazienti più gravi, fino ad arrivare al monitoraggio dei degenti in terapia intensiva. La scala si basa sulla risposta a tre tipi di stimoli, oculari, verbali e motori, e all’assegnazione del relativo punteggio per poter infine definire la gravità della lesione cerebrale.

Gli studi precedenti per la valutazione dello stato di coscienza

Diversi sono stati gli studi di ricercatori che per decenni hanno vagliato la possibilità di usare tecniche di scansione del cervello per studiare il limite della coscienza.

Tra questi figurano la tomografia a emissione di positroni (PET) e la risonanza magnetica funzionale (fMRI). Uno studio pubblicato nel 2004 sulla rivista Plos One, condotto da un’équipe di ricercatori della University of Cambridge, aveva, per esempio, analizzato le immagini Pet per individuare specifici network neurali considerati potenziali indicatori di presenza di coscienza in pazienti in stato vegetativo. Scoprendo che, effettivamente, sembrerebbe esistere un network neurale che supporta la coscienza nelle persone sane, e che tali connessioni risultano compromesse nella maggior parte dei pazienti in coma.

Nella maggior parte, ma non in tutti: alcuni pazienti, e in particolare quelli che avevano dimostrato di poter rispondere ad alcune domande dei medici, presentavano, infatti, network neurali estremamente simili a quelli delle persone sane.

Questo risultato indica che in caso di dubbi sullo stato di coscienza di un paziente si dovrebbe ricorrere alle scansioni PET. Queste scansioni, però, non sono disponibili in tutti gli ospedali e sono costose, soggette ad artefatti e difficili da interpretare.

Dalla PET all’EEG con l’aiuto dell’intelligenza artificiale

Un’alternativa più accessibile è l’elettroencefalografia, un esame che, attraverso alcuni elettrodi posizionati sul cuoio capelluto, misura l’attività elettrica cerebrale, riproducendola sotto forma di una serie di onde su uno schermo. L’EEG registra l’attività cerebrale sotto forma di onde quando un numero sufficiente di neuroni si attiva all’unisono. In una persona sana, queste onde non hanno frequenze prevedibili. Dopo una lesione cerebrale, il loro schema è più prevedibile.

Sono stati monitorati 286 pazienti in cui era stata diagnosticata la sindrome di veglia aresponsiva o uno stato di minima coscienza. Gli EEG sono stati registrati prima e durante un compito di ascolto progettato per rilevare l’elaborazione cosciente dei suoni. Decine di aspetti dei dati sono poi stati inseriti in un algoritmo di apprendimento automatico chiamato DOC-Forest che si è dimostrato in grado di discriminare correttamente le due diagnosi in tre casi su quattro.

Gli autori hanno testato DOC-Forest anche in scenari realistici, introducendo nei dati del rumore casuale in modo da simulare l’effetto di possibili differenze nelle procedure di raccolta dei dati. Hanno considerato la diversa disposizione dei sensori sul cranio, e hanno anche usato l’algoritmo su un secondo gruppo di pazienti. DOC-Forest ha dato sempre buoni risultati, fornendo valori di prestazione simili.

Tuttavia, i dati dell’EEG sono complessi e hanno molti parametri da valutare come tempo, frequenza, condizioni di prova, posizione dei sensori. In genere, i ricercatori si concentrano su una manciata di caratteristiche di facile interpretazione come per esempio la comparsa di una specifica onda cerebrale durante l’attività di ascolto. Questa focalizzazione sull’interpretazione esclude, però, aspetti potenzialmente importanti dei dati. L’apprendimento automatico non ha questo pregiudizio umano a favore dell’interpretabilità e della comunicabilità. Si concentra solo sulla classificazione corretta dei dati, che è tutto ciò che serve in questo caso.

Qui però si presenta un problema, poiché l’algoritmo è stato progettato a partire dalle diagnosi umane, effettuate sull’attuale (e lacunosa) conoscenza di cosa sia la coscienza. Sicuramente DOC-Forest rappresenta un progresso significativo. Ma sono ancora molti i dubbi riguardanti le decisioni delle macchine in contesti così delicati. La speranza è che sistemi di questo tipo, se ulteriormente affinati, possano aiutare i clinici a capire qual è la strada terapeutica più adeguata per i pazienti in coma.